交易中的机器学习：理论、模型、实践和算法交易 - 页 2105

新评论
 
Vladimir Perervenko:

健身函数在优化过程中计算优化标准的 值。这与模型培训没有关系。

但在回归中，我们有数字向量形式的目标，我们试图用模型中的向量来近似它，那些最小的误差（这也是优化）？ 或寻找正确的神经元权重

我现在正在做的就是这个，我正在用谐波创建一个模型，事实上

 
mytarmailS:

我在健身函数中加入了一个新的平衡计算函数，考虑到了佣金...

在学习方面越来越差，......

也许应该增加一个验证，以保持它的经典。

 
Maxim Dmitrievsky:

我们需要在metac中增加 "不要交易 "的catbust multiclass。

战略的范围将扩大。

如果你这样做，那将是非常好的。

 
Aleksey Vyazmikin:

如果你这样做，那就太好了!

你可以使用2个不同方向的模型

 
Maxim Dmitrievsky:

我们需要在metac中增加 "不要交易 "的catbust multiclass。

战略的范围将扩大。

标记时，这里。

....
rand = random.randint(min, max)
        if dataset['close'][i] >= (dataset['close'][i + rand]):
            labels.append(1.0)
        elif dataset['close'][i] <= (dataset['close'][i + rand]):
            labels.append(0.0)              
        else:
            labels.append(0.0)
.....

改为例如

rand = random.randint(min, max)
        if dataset['close'][i] - (dataset['close'][i + rand])>= 2*spred:
            labels.append(-1.0)
        elif dataset['close'][i] - (dataset['close'][i + rand])<= -2*spred:
            labels.append(1.0)              
        else:
            labels.append(0.0)

也就是说，如果delta值小于某个值，就会出现在栅栏上。

 
mytarmailS:

但在同一回归中，我们有一个数字向量形式的目标，我们试图用模型中的一个向量来近似它，使误差最小化（这些也是优化）？ 或寻找正确的神经元权重

我现在所做的基本上是用谐波来创建一个模型。

当然是优化，但这种优化是由回归模型完成的。

 
mytarmailS:

我在健身功能中加入了一个新的平衡计算和佣金功能...

我认为现在的算法是想尽量减少交易的数量，以节省佣金...因此，较少的交易导致了较少的经验...

这里是图表，你可以清楚地看到，当交易量少的时候，学习不起作用。

灰色是TRAIN 1500点

黑色的是TEST 500点

我在这里的交易很少，算法没有学到任何东西，它的频率很低......


如果能提前2天知道入境点就好了 ))

但可能最好一直重新培训，我还不知道如何测试这一切

怎么说呢？

合成整体曲线的代码在哪里？我想我见过它，但现在找不到了。

 
Vladimir Perervenko:

当然是优化，但这种优化是由回归模型完成的。

那我就不明白了((((为什么不能把健身功能建在里面？

 
mytarmailS:

那我就不明白了(((为什么不能把健身的乐趣.建在那里呢？

在哪里？

 
弗拉基米尔-佩雷文科。

总结曲线的合成代码在哪里？我想我见过它，但现在找不到了。

我把它删除了，我想没有人感兴趣，我可以把代码发给你，但我需要把它翻译成可读的形式。

顺便说一下，我面临着退火方法的 不稳定性，我甚至不知道如何使用它，结果非常不稳定，参数跳跃很多......


我已经来到了这里

首先，我随机地初始化起点。

然后，当找到一个解决方案时，我将其保存起来

然后我又开始用找到的解决方案中的启动参数进行刻录，如此反复......。

1...209820992100210121022103210421052106210721082109211021112112...3399
新评论